[发明专利]基于快速集合经验模态分解的高光谱图像分类方法

摘要

基于快速集合经验模态分解的高光谱图像分类方法，涉及遥感领域的高光谱图像分类方法。本发明的高光谱图像分类方法包括如下步骤：分析内固模态函数筛选次数K和加噪、分解次数N对集合经验模态分解结果的影响；在分析结果基础上提出基于互信息阈值的快速集合经验模态分解算法，利用F-EEMD对高光谱图像波进行特征提取和特征选择；采用SVM分类器对已选择的高光谱图像特征组合进行分类，获得分类结果。本方法更能够有效提升高光谱图像的精度和分类速度，有效地减少分类过程所需的支持向量数，在高光谱图像各个波段预处理的时间要明显小于2D-EEMD-SVM算法，同时并很好地保持了2D-EEMD-SVM算法的优越性能。

主权项

基于快速集合经验模态分解的高光谱图像分类方法，其特征在于所述高光谱图像分类方法包括如下步骤：步骤一：分析内固模态函数筛选次数k和加噪、分解次数n对集合经验模态分解结果的影响；步骤二：通过步骤一的分析可以得出如下结论：IMF筛选次数k的增加和加噪、分解次数n的增加对高光谱图像集合经验模态分解的结果影响比较小，因此，可以通过互信息阈值选择适当的IMF筛选次数k和加噪、分解次数n，实现EEMD的快速运算；假设X是高光谱图像；Hi(k)是内固模态函数IMFi第k次筛选结果，i表示IMF的个数；IMF_i，n(k)表示第n个从加噪、分解过程中所获得的IMFi；IMF_i，n表示前n次所获得内固模态函数IMF_i，n(k)的均值；I₁表示IMF筛选结果与X的互信息；I₂表示n从加噪、分解所获得的IMF与X的互信息；1).高光谱图像X的输入，加噪次数n＝1；2).进行高光谱图像X的加噪和分解初始化设置，包括IMF筛选次数k＝1，互信息I₁和I₂初始值取0；3).将加噪后X作为初始输入，进行经验模态分解，并对分解过程中IMFi筛选次数K进行选择，在IMFi筛选过程中，求当前筛选出的Hi(k)与输入信号X的互信息I₁(k)，并将该互信息与前一次筛选所得到的I₁(k‑1)进行比较，如下式所示：ΔI₁＝1‑(I₁(k‑1)/I₁(k))；当ΔI₁小于阈值时，将Hi(k‑1)作为第i个IMF，保存为IMF_i，n(k)，并将输入减去IMF_i，n(k)获得残差r_ik；判断i是否等于6，如果i等于6则分解结束，否则将残差r_ik作为新输入并进入下一个IMF筛选，即k＝1，i＝i+1；当ΔI₁大于阈值时，将Hi(k)作为输入进行IMFi的下一次筛选，即k＝k+1；4).在加噪、分解之后，进行EEMD参数n的选择；求前n次所获得内固模态函数IMF_i，n(k)的均值IMF_i，n，i＝1，2，...，并进一步求IMF_i，n与输入信号X的互信息I₂(n)，将I₂(n)与上一次加噪、分解所获得的I₂(n‑1)进行比较，如下式所示：ΔI₂＝1‑(I₂(n‑1)/I₂(n))；当ΔI₂小于阈值时，则EEMD加噪、分解结束，所获得的MF_i，n为原信号的IMFi；当ΔI₂大于阈值时，进行下一次加噪、分解，即n＝n+1；重复步骤2)、3)、4)，一直到ΔI₂小于阈值，则EEMD分解结束；利用快速集合经验模态分解算法对高光谱图像波进行特征提取和特征选择；步骤三：采用SVM分类器对已选择的高光谱图像特征组合进行分类，获得分类结果。